PERBANDINGAN METODE EXTREME LEARNING MACHINE DAN BACKPROPAGATION UNTUK MENGKLASIFIKASI PHISING WEBSITES

  • Okky P Barus S.Kom., MM Universitas Pelita Harapan
  • Ronaldo Ronaldo Universitas Pelita Harapan

Abstract

Situs web phishing merupakan salah satu jenis kejahatan elektronik yang terus berkembang secara pesat dan juga salah satu yang paling berbahaya, yang dapat memberikan dampak negatif yang sangat besar terhadap e-banking dan berbagai jenis bisnis online seperti e-commerce dan penyedia Software-as-a-Service (SaaS). Umumnya, jenis kejahatan ini dimulai dari pengiriman e-mail yang menyerupai e-mail yang dikirim oleh instansi resmi yang berisi informasi pemberitahuan kepada korban bahwa perlu dilakukan suatu pembaharuan atau verifikasi data yang disertai dengan link untuk menuju situs tersebut. Situs tersebut merupakan situs web palsu yang dibangun oleh pelaku kejahatan yang dimana menyamari dan menyerupai situs aslinya untuk mendapatkan informasi sensitif dan pribadi korban. Oleh karena itu, diperlukan suatu metode yang efektif untuk mendeteksi apakah suatu website termasuk kategori phishing atau tidak. Penelitian ini menyajikan metodologi pendeteksian phishing websites berbasis machine learning dengan menggunakan dan membandingkan metode Extreme Learning Machine (ELM) dan neural network dengan algoritma backpropagation. Extreme Learning Machine merupakan algoritma pembelajaran untuk feedforward neural networks dengan 1 lapisan tersembuyi yang secara acak menentukan bobot input dan output. Backpropagation merupakan algoritma pembelajaran neural networks yang melakukan penyesuaian bobot untuk mendapatkan hasil terbaik. Hasil penelitian menunjukkan metode backpropagation dalam mengklasifikasi phishing websites memberikan ketepatan klasifikasi sebesar 91.85% lebih besar dibanding dengan metode ELM dengan ketepatan klasifikasi 84.07%. 
Published
Aug 30, 2019
How to Cite
S.KOM., MM, Okky P Barus; RONALDO, Ronaldo. PERBANDINGAN METODE EXTREME LEARNING MACHINE DAN BACKPROPAGATION UNTUK MENGKLASIFIKASI PHISING WEBSITES. Journal of Informatics Engineering Research and Technology, [S.l.], v. 1, n. 1, aug. 2019. ISSN -. Available at: <https://ejournal-medan.uph.edu/index.php/iert/article/view/309>. Date accessed: 28 may 2023.
Section
Articles